问题标签 [array-broadcasting]

我有两个 3dim numpy 矩阵，我想根据一个轴做一个点积而不使用循环：

a 具有 (7, 4, 15) 的形状，b 具有 (7, 4, 5) 的形状。我希望 c=np.dot(a,b) 的大小为 (7,5,15)，如下所示：

但我正在寻找没有 for 循环的解决方案。就像是：

但是这个没有按预期工作。

我也试过这个：

没有按预期工作。

有任何想法吗？

考虑以下代码。

第一个电话f(x1, y1)按预期工作。

第二次调用，浮动需要在它工作之前“转换”（我希望转换对用户透明，所以转换应该包含在函数的定义中）。

第三次调用根本不起作用，我不知道如何调整函数的定义，以便它与第一次调用相同，但对于网格上的某些点。

有任何想法吗？谢谢。

我正在尝试按照屏蔽广播的方式做一些事情，其中​​只广播某些值。

假设我有一个更大的数组更大的数组和一个更小的数组smaller_array：

现在，我只想要较小数组的前三个值来替换较大数组的某个部分的值，但是掩码并没有达到我希望的效果：

这只是返回与常规广播相同的内容，即：

而不是我所希望的

在通过覆盖之前剥离屏蔽值

也没有用，因为这会使阵列变平，使广播不兼容。

有没有其他方法可以达到同样的效果？

我尝试使用此链接解决我的问题，描述 numpy 广播，但无济于事。如何减去以下numpy数组：

当我这样做X - X_mean时：

但是这样做X[0] - X_mean[0]会给出正确的输出：

从一个数组db（大约是(1e6, 300)）和一个mask = [1, 0, 1]向量中，我将目标定义为第一列中的 1。

我想创建一个out向量，该向量由其中对应的行db匹配maskandtarget==1和其他任何地方的零组成。

我已经定义了一个vline函数，该函数将 amask应用于每个数组行，np.array_equal(mask, mask & vector)用于检查向量 101 和 111 是否适合掩码，然后仅保留索引 where target == 1。

out被初始化为array([0, 0, 0, 0, 0, 0])

vline函数定义为：

for通过在循环中逐行应用此函数，我得到了正确的结果：

现在我想vline通过创建一个矢量化ufunc：

但是ufunc抱怨用这些形状广播输入：

我有以下三阶张量。两个张量矩阵第一个张量包含 100 个 10x9 矩阵，第二个包含 100 个 3x10 矩阵（我刚刚在这个例子中填充了这些矩阵）。

我的目标是将矩阵乘以一对一的对应关系，这将产生一个具有形状的张量： (100, 3, 9)这可以通过一个 for 循环来完成，该循环只压缩两个张量，然后取每个张量的点，但我正在寻找只需使用 numpy 运算符即可。到目前为止，这里有一些失败的尝试

尝试1：

尝试 1 的输出：

(100, 3, 100, 9)

这意味着它尝试了所有可能的组合......这不是我所追求的。

实际上没有其他尝试甚至编译。我尝试使用 np.tensordot ， np.einsum （在这里阅读https://jameshensman.wordpress.com/2010/06/14/multiple-matrix-multiplication-in-numpy它应该可以完成这项工作，但我没有得到正确的爱因斯坦指数）同样在同一个链接中，还有一些我无法想象的疯狂张量立方体重塑方法。关于如何解决这个问题的任何建议/想法解释？

假设我们要计算矩阵和列向量的点积：

所以在 Numpy/Python 中，我们开始：

结果是：

数组（[[13]，[31]，[49]]）

到目前为止，一切都很好，但是为什么这也有效？

结果是：

数组（[13, 31, 49]）

我希望 [2,1,3] 是一个行向量（需要转置来应用点积），但 Numpy 似乎默认将数组视为列向量（在矩阵乘法的情况下）？

这是如何运作的？

编辑：

为什么是：

所以矩阵点向量数组确实有效（因此它将其视为列向量），但是其他操作（转置）不起作用。这不是真正一致的设计，不是吗？

I'm having an issue with broadcasting. I want to be able to assign elements from 4 different arrays of shape x, y to 2x2 matrices without a for loop if possible.

obviously this doesn't work but I'd like x to come out an array of:

我需要使用非线性最小二乘回归来获取参数（kf、beta1、beta2、gamma）。错误消息是：“ValueError：操作数无法与形状 (4,7) (0,) 一起广播”

我用收集的下一个数据做了 4 次实验：

• flujo_ms(x-axis Data): 7个位置的数组
• “fri”：每个“fri”是一个包含 7 个位置的数组。
• brfv：取四个常数值，每个实验一个常数。

我想同时使用四个实验来最小化参数估计的误差。

给定一些f接受1D数组并给出2D数组的函数，是否可以将它有效地应用于NxM数组的每一行A？

更具体地说，我想申请数组np.triu的每一行，然后连接所有结果。我可以通过NxMA

B = np.dstack(map(np.triu, A))

这给出了MxMxN矩阵。然而，这对于大 N 来说不是很有效。不幸的是，np.apply_along_axis这里不能使用该函数，因为f会改变维度。

了解 NumPy 在高效广播方面的强大功能后，我几乎可以肯定存在更好的解决方案来解决我的问题。